m0_51317300的博客

原创 时序模型特征总结

原创 基于植被指数与盐分指数的区域盐碱情况反演

Map.addLayer(SAVI, {min:-0.2, max:0.4, palette:[‘brown’,‘green’]}, ‘SAVI 植被覆盖’, false);// —————————— 6. 显示 SAVI ——————————// —————————— 3. 数据加载 ——————————// —————————— 4. 辐射定标 ——————————// —————————— 2. 时间 ——————————// —————————— 导出功能 ——————————

原创 GNSS采集点坐标与无人机数据的对应

本文介绍了将采样点坐标数据导入ArcGIS的操作流程：1）整理CSV数据保留点名、坐标和高程信息；2）在ArcGIS中导入CSV文件，设置E为X字段（东坐标）、N为Y字段（北坐标）、Z为高程；3）选择CGCS2000 3度带114E中央经线坐标系；4）通过数据管理工具将数据投影转换为WGS84 UTM Zone 50N坐标系；5）最后可调整点要素显示大小。操作中需特别注意坐标字段选择正确，避免位置错误。

原创 Github通用的“导航指南”

本文介绍了Python项目的标准目录结构与开发环境配置。核心目录包括src/（源代码）、docs/（文档）、examples/（示例）等；关键配置文件如requirements.txt和环境管理工具（venv/conda/uv）的使用方法。文章详细对比了4种Python虚拟环境的优缺点，推荐venv作为通用选择，conda适用于科学计算项目，uv适合追求效率的高级用户。最后简要说明了项目元数据文件（LICENSE/.gitignore等）的作用，为Python项目开发提供了全面的结构化指南。

原创 运行RROSAIL的app

(base) (.venv) PS D:\Python-project\辐射传输模型\prosail-viz-main\prosail-viz-main> D:\Python-project\辐射传输模型\prosail-viz-main\prosail-viz-main.venv\Scripts\activate。

原创 MySQL与ARTMO，Java的安装适配

摘要： 本文总结了MATLAB连接MySQL 5.5.38数据库的核心解决方案。关键要素包括：1) 使用Java 8运行环境（1.8.0_202版本）；2) 采用mysql-connector-java-5.1.49驱动；3) 确保MySQL服务正常运行；4) 创建test数据库。通过手动注册驱动类、调整连接参数（useSSL=false&characterEncoding=latin1）等操作，解决了驱动加载失败、数据库连接错误等问题。该方案适用于MATLAB与旧版MySQL的兼容场景，四个核心条

原创 ARTMO安装

摘要：ARTMO软件与MATLAB 2025存在兼容性问题，推荐使用R2020b-R2024a版本，并需安装MySQL 5.5/5.6服务器。该工具包含三大类模型：叶片模型（如PROSPECT系列、DLM等）模拟叶片光学特性；冠层模型（如INFORM、SCOPE）分析植被结构及生理过程；土壤模型（MARMIT-2）处理地表反射率。这些模型需要Image Processing和Statistics等MATLAB工具箱支持，为植被遥感研究提供多尺度分析工具。（149字）

原创 PROSAIL模型参数一

植被遥感模型参数设置指南 本文系统整理了PROSPECT-4SAIL模型的参数体系，包括叶片参数（叶绿素、干物质等）、冠层结构参数（叶面积指数、叶倾角分布）、土壤参数和几何观测参数。重点解析了太阳天顶角、观测天顶角和相对方位角的获取方法，特别针对无人机正射影像、卫星遥感和机载多角度观测等不同应用场景提供了参数设置建议。同时详细说明了热点参数hspot的物理意义和典型取值范围，为植被反射率建模提供了实用参考。

原创 不同分辨率数据统一的核心策略

将MODIS（250m-1km）、Sentinel-2（10-60m）、Landsat（30m）等不同分辨率数据统一到同一分辨率，主要有两种策略：升尺度（Upsampling/Downscaling）和降尺度（Downsampling/Aggregation）。将高分辨率数据（如Sentinel-2的10m）降低到低分辨率（如MODIS的250m），适用于保持时间序列一致性。将低分辨率数据（如MODIS 250m）提升到高分辨率（如10m或30m），这是作物监测中最常用的方法。

原创 主要农业遥感卫星光谱波段、分辨率与生理生化参数完整对照表

遥感卫星波段对比摘要 Sentinel-2（欧空局）提供13个多光谱波段（10-60m分辨率），重点关注植被参数（叶绿素、LAI、氮含量）和红边特征，双星5天重访周期。Landsat 8/9（NASA）含11个波段（15-100m），突出热红外（地表温度）和30m全色波段，双星8天重访。MODIS（NASA）以250-1000m低分辨率实现每日全球覆盖，适用于大尺度植被、温度及火灾监测。PlanetScope商业星座通过高频次（每日）3m分辨率影像，支持精细农业与动态监测。四类卫星形成互补：高时空分辨率（P

原创 LSTM与Transformer

本文对比了LSTM和Transformer在农业AI中的应用特点。LSTM要求输入数据具有连续的时间步编号和固定标签值，适用于时序预测任务。Transformer则兼具时序和图像处理能力，在遥感分析、病虫害识别等任务中表现更优。研究表明，混合架构（如CNN+LSTM+Transformer）能结合二者优势，在产量预测等任务中达到99%以上的准确率。当前农业AI正朝着多源数据融合、混合模型架构的方向发展，以应对复杂的农业监测和预测需求。

原创 注意力机制

摘要： 注意力机制模拟人类认知方式，通过算法自动为输入数据中的重要部分分配更高权重，弱化无关信息干扰。在光谱数据分析中，该机制能识别对LAI/LCC反演敏感的波长区间（如红边和近红外波段），同时忽略噪声或无关波段的影响，提升模型性能。

原创 机器学习模型归类

概率统计与几何模型在作物遥感中的应用 本文系统总结了概率统计和几何方法在作物遥感领域的应用。概率统计方法包括贝叶斯家族（朴素贝叶斯、贝叶斯网络、高斯过程）、概率图模型（HMM、CRF、MRF）和最大似然模型，适用于分类、因果推断、不确定性量化等场景。几何方法如KNN和核方法则基于距离度量和空间结构，适合小样本分类和相似性检索。各类模型在数学基础、优势局限和典型应用上各有特点，如高斯过程适合小样本反演，HMM适用于物候期识别，KNN可用于作物类型快速分类。这些方法为作物监测、产量估算和灾害预警提供了多样化的技

原创 数据同化 - 机器学习（DA-ML）融合的区域玉米估产模型构建：步骤、原理与细节解析

本研究提出了一种融合数据同化（DA）与机器学习（ML）的区域玉米估产模型（DA-ML）。该模型通过迭代集合光滑器（IES）算法将遥感观测数据同化到SWAP作物生长模型中，生成具有物理一致性的训练标签，再利用随机森林等机器学习方法学习"输入特征-DA标签"关系，最终实现高效的区域玉米产量估算。以山东省为研究区，仅需对100个采样像元执行DA-SWAP同化，即可训练出计算效率提升99.8%且具备物理解释性的ML模型。验证结果表明，该模型县级估产精度R²达0.62，特征重要性分析也符合玉米生长

原创 有关机器学习的EXGEP 框架与 AutoGS 框架

中国农科院作物科学研究所开发的EXGEP和AutoGS框架是互补的作物育种智能算法系统。EXGEP采用可解释机器学习方法，通过集成LightGBM、XGBoost等模型和SHAP算法，实现G×E互作精准预测与机制解析，预测精度较传统模型提升17-42%。AutoGS则聚焦基因组选择自动化，整合GWAS和Optuna算法优化，计算效率提升290倍，精度提高14-28%。两者联合可形成"高效筛选+精准解析"的育种闭环，为作物适应性育种提供高效技术支持。

原创 基于物理的深度学习模型

本文提出了一种物理模型与深度学习融合的混合建模方法，用于作物产量估算。该方法将碳质量平衡原理（碳供给≈碳需求）转化为神经网络层，使分配系数能根据时空条件动态调整。在模型架构中插入物理约束层，并通过复合损失函数（数据拟合损失+物理约束损失）进行端到端训练，既保证了预测精度，又确保结果符合农业物理规律。相比传统分离式建模，该方法实现了全局优化，同时解决了小样本数据下的泛化问题。实验表明，这种物理引导的深度学习框架能有效提升作物产量预测的准确性和可解释性。

原创 NoteExpress插入毕业论文小心得

本文介绍了学术数据库的特点与使用建议。主要数据库包括Web of Science（权威引文索引）、ScienceDirect（跨学科全文）、CNKI（中文学术资源）等，各数据库在学科覆盖、文献类型和地域侧重上各有优势。文章提供了针对不同研究需求的数据库组合推荐，如全球性研究推荐Web of Science+ScienceDirect+arXiv，中文研究推荐CNKI+超星+Web of Science。此外，还介绍了引文模板设置方法，包括作者姓名缩写、大小写调整等参考文献格式的修改方式。这些信息为研究者选择

原创 农业利用GEE数据集与作物模型结合的可利用资源

1、长时序气候趋势：优先使用 ERA5-Land（1950-至今，小时尺度），虽空间分辨率较低（9km），但物理一致性好；4、数据融合策略：在 GEE 中可将 ERA5-Land 气候数据 与 SoilGrids 结合驱动简单作物模型，或利用 CHIRPS 校正 ERA5-Land 降水偏差以提高水文模拟精度。3、植被生产力监测：年际变化分析用 MOD17 GPP/NPP（2000-至今），实时性要求不高但精度要求高的选 GEOV2（LAI/FAPAR），其时间平滑和间隙填充处理更优。

原创 CDSE和WEkEO的区别

WEkEO数据集已停止提供10米高分辨率LAI数据。目前获取LAI数据的替代方案包括：Sentinel-2计算（10m/5天），适用于田间尺度；Landsat计算（30m/16天），适合长期监测；CGLS产品（300m/10天）和MODIS（500m/8天）则适用于区域和大尺度研究。不同方法在空间、时间分辨率和适用场景上各有优势，用户可根据需求选择合适方案。

原创 WOFOST模型与Aquacrop模型的区别与联系

WOFOST和AquaCrop是两种机理型作物生长模型，用于产量预测、水资源管理和气候变化评估。两者都基于作物生理过程，依赖气象、作物和土壤数据驱动，模拟光合作用、干物质分配和土壤水分平衡。主要区别在于：WOFOST由荷兰开发，侧重光温生产力和复杂生理过程，适合深入研究；AquaCrop由FAO推出，以水分生产力为核心，参数简化易用，特别适合干旱地区灌溉管理。WOFOST理论性强但操作复杂，AquaCrop则更实用且易于推广。

原创 WOFOST模型基础1

WOFOST是一个动态解释性作物生长模型，以天为时间步长模拟大田作物的生长发育过程。该模型通过整合气象、土壤和管理数据，模拟光合作用、呼吸、蒸腾、干物质分配等关键生理过程，最终预测作物产量。模型包含三个核心模块：作物生长、土壤水分和蒸散模块，支持潜在、水分限制和养分限制三种产量水平的模拟。用户需准备气象数据（温度、降水、辐射等）、土壤参数（持水量、导水率等）和作物管理数据（播种、灌溉等）。参数校准采用迭代方法，通过对比模拟与实测LAI和生物量数据，调整比叶面积、光能利用率等关键参数。WOFOST提供多种版本

原创 WOFOST原理公式7.2版-气象公式

日照时长：太阳高度角大于0°的时间段，需考虑大气折射（地平线修正-0.833°）和光周期（如植物对低光强敏感，修正-4°）。Rav  J m⁻² d⁻¹（到达地表短波辐射，若无观测可用 Angstrom 公式 2.11 或 2.12 先算）太阳高度角（β）：太阳光线与地表平面的夹角，受纬度、日期（太阳赤纬δ）和时刻（th）影响。γ₀ = Cp·P₀·ε / λ，γ₀ = 0.67 kPa °C⁻¹（模型固定值）Cp = 1.013×10⁻³ MJ kg⁻¹ °C⁻¹（湿空气定压比热）

原创 WOFOST学习笔记4

PCSE提供了多样化的农业模型数据输入方案，包含天气数据（本地文件、在线API、全球数据库三类）、作物参数（YAML格式）、站点参数（适配WOFOST各版本）和农事管理（基于YAML的事件驱动配置）。其中天气数据支持CABO/Excel/CSV本地文件及NASA/OpenMeteo在线服务；作物参数采用模块化设计支持多作物轮作；站点参数针对WOFOST 7.2至8.1版本提供差异化参数集；农事管理通过YAML定义种植季时序事件和状态事件，实现种植日历的灵活配置。所有组件均采用标准化接口，支持缓存机制提升效率

原创 WOFOST学习笔记总结

本文介绍了PCSE框架中数据输入模块和作物模型的主要功能。pcse.input模块提供天气、参数和管理文件的读取功能，其中NASAPowerWeatherDataProvider类支持从NASA POWER数据库获取气象数据，并提供两种ET₀计算方法（PM标准方法和简化Penman方法）。WOFOST作物模型采用0-1-2的物候尺度，主要受温度驱动，不同版本模型在CO₂影响、生物量分配、水分和氮平衡等方面存在差异，包括潜在生产、水分限制和氮限制等不同模拟级别。表格详细对比了17种模型在产量水平、CO₂影响、

原创 WOFOST-python 关键参数辨识

本文介绍了农业生产模型中的几种关键类型：PP（光温潜力产量）、FAO_WRSI10_WLP_CWB（水分限制产量）和Lintul10_NWLP_CWB_CNB（光能+水氮限制）。重点解析了WOFOST模型系列，包括7.2、7.3和8.1三个版本，涵盖潜在生产(PP)、水分限制(WLP)和水氮双重限制(NWLP)等模块。其中WOFOST 8.1功能最全面，支持多层水平衡(MLWB)和高级碳氮模块(SNOMIN)，能模拟土壤有机质动态。这些模型适用于不同精度的产量估算需求，从快速评估到详细过程模拟。

原创 如何在WOFOST模型中，制作yaml文件，并指向自己的Crop文件？

摘要： 本文介绍了如何创建适用于PCSE的YAML作物参数文件。方法包括：1）用记事本新建文件并修改后缀为.yaml；2）使用VS Code安装YAML插件进行语法高亮和自动对齐。详细说明了YAML文件结构，必须包含crop_name和variety_name等顶层键，以及作物参数、叶面积发育、光合同化等7大类参数配置。最后指导如何将自定义YAML文件路径指向PCSE，完成与ParameterProvider的对接。关键点包括：使用空格缩进、注意冒号后空格、通过插件检查语法错误，以及按WOFOST格式规范编

原创 WOFOST模型经典输入与替换

摘要： 本文介绍了WOFOST作物模型的参数配置与运行流程，涵盖四类关键数据来源：作物参数（.crop/.yml）、土壤参数（.soil/.json）、站点数据（代码字典）和农事管理（.agro）。模型支持潜在生产（PP）、水分限制（WLP_CWB）和氮素限制（WLP_NWB）三种模式，其中水分限制最常用。通过最小代码模板（含NASA气象数据调用）可快速运行，替换作物、土壤或气象数据仅需修改对应文件路径或参数。农事管理通过YAML文件调整播期、灌溉等关键事件，输出结果以DataFrame格式保存，便于分析。

原创 R语言与python升级包的问题

本文介绍了R和Python版本升级时的包管理策略。对于R语言，建议保留旧版本1-2个月，使用.libPaths()管理库路径或采用renv包创建项目独立环境。Python推荐使用虚拟环境（venv/conda）隔离项目依赖，通过requirements.txt或environment.yml文件保存配置。两者都应保持版本共存，R通过RStudio切换版本，Python使用pyenv管理多版本。关键建议包括：不要立即删除旧版本、优先测试核心工作流、定期备份环境配置、谨慎清理缓存。这些方法能确保平稳过渡到新版本

原创 虚拟环境建立问题

摘要：在PyCharm中新建项目时，直接选择"项目venv"并指定Anaconda的python.exe即可自动创建隔离的虚拟环境，无需提前在Anaconda Prompt创建环境。PyCharm会在项目目录下生成.venv文件夹作为独立环境，比手动创建conda环境更清晰简单。若已创建conda环境，也可在PyCharm中选择现有环境，但需注意与venv环境的区别。推荐直接使用PyCharm内置的venv功能。

原创 ENVI波段合成

ENVI波段合成操作指南：UTM Zone仅在投影坐标下生效，地理坐标（度）需忽略该选项；Datum基准面通常默认WGS-84，可通过头文件或工程报告确认。地理坐标系适合大尺度观测，UTM投影便于精确量算。ENVI 32位与64位版本算法一致，但64位支持更大内存处理。建议直接在Layer Stacking中选择波段子集，避免先重采样导致插值误差。

原创 WOFOST模型局限性

摘要：本文总结了作物模型使用中的常见限制和问题解决方案。模型未考虑病虫害等动态因素，部分参数固定处理。常见错误包括输入参数越界、文件缺失或路径错误等，可通过检查日志和文件路径解决。针对不同应用场景（如新品种模拟、区域分析等）提供了具体操作建议，包括参数调整、数据准备和模式选择等。模型校准需通过实测数据对比调整关键参数。

原创 它山之石可以攻玉，Wofost模型参数确定：

本文基于WOFOST作物模型，分别以水稻和棉花为研究对象开展数据获取与参数标定研究。针对湖北省武穴市2015年水稻数据，整合气象（中国气象数据网）、土壤（SoilGrids）及地面实测数据（LAI、产量），重点优化了TSUM1、TSUM2等8个关键参数，并通过4个时间点的LAI数据进行本地化验证。对于新疆棉花数据，采用NASA气象数据和HWSD土壤数据库，结合SPAW软件计算土壤水分参数，通过全局敏感性分析筛选22个参数，制定4种分级标定方案。研究建立了系统的作物模型参数标定方法，为精准农业提供技术支撑。

原创 ENVI进行波段合成出现条状黑带原因及相关

ENVI Classic 32位与64位版本在算法结果上完全一致，但64位版支持更大内存处理（可处理几十GB影像），而32位版仅支持2-2.5GB内存。64位版需Win-64系统和配套运行时库，部分旧插件不兼容。波段合成时，Geographic Lat/Lon适合全球可视化但量算不准，UTM投影更适用于精确测量。建议直接使用Layer Stacking的Spectral Subset功能，避免不必要的重采样误差。当处理大数据且无旧插件依赖时，优先选择64位版本以获得更好性能。

原创 WOFOST作物模型基础3

摘要：WOFOST作物模型支持潜在、水分限制和养分限制三种生长模拟模式，可输出多条件产量曲线。模型参数包括作物类型、气象数据（CABO格式）、土壤属性（如有效水容量AWC）及水文设置。校准过程通过敏感参数优化和误差指标（RMSE、d指数等）评估提升模拟精度。以棉花为例，详细设定了物候期、生物量分配、呼吸作用等生理参数。模型支持地下水位、排水条件等农田管理参数调整，适用于不同作物和土壤类型的生长模拟研究。（150字）

原创 R语言利用Export包导出pptx格式的文件有错误的原因

文章摘要：作者在R语言中绘制ROC曲线图并导出到PPT时遇到文字模糊问题，先后尝试了officer/rvg包直接导出、Cairo生成高清PNG再插入等方法均未解决。最终发现是showtext包与字体渲染的冲突所致，删除showtext包和showtext_auto()语句后问题立即解决。该案例揭示了R语言图形输出时不同包之间的兼容性问题，建议在遇到类似问题时优先检查字体相关包的交互影响。

原创 遥感数据同化方法：集合卡尔曼滤波和变分同化算法

遥感数据同化技术通过融合遥感观测与过程模型，提升预测精度。主流算法包括集合卡尔曼滤波(EnKF)和变分同化(3D/4D-Var)。EnKF采用Monte-Carlo方法处理非线性系统，适合多源遥感数据同化；变分同化通过优化代价函数实现时间序列拟合。两种方法各有优势：EnKF并行度高但需调参，4D-Var物理一致性强但对误差设定敏感。混合同化(EnKF-Var)成为新趋势，兼顾非线性与时间连续性优势。该技术在作物监测、水文预测等领域应用广泛，实施时需注重数据预处理、误差定量和评估指标选择。

原创 如何运行在github中的代码？

本文介绍了两种获取GitHub项目代码的方法。方式一适合不熟悉Git的用户：直接下载ZIP压缩包，解压后创建虚拟环境、安装依赖、修改路径并运行脚本。方式二推荐使用Git克隆项目，通过简单的命令操作即可完成下载，后续更新只需执行git pull命令。两种方式都需要在下载后配置虚拟环境和修改路径才能运行项目脚本。

原创 倾斜摄影-点云数据处理一

本文介绍了点云数据的处理流程：首先在PhotoScan中生成点云并导出为WGS 84/UTM 50N坐标系的LAS文件；然后将数据导入CloudCompare进行去噪（使用SOR滤波器，参数建议8-12和1.0-1.5）；最后通过Z坐标创建高程标量场，过滤分离地面点和植株点。关键步骤包括坐标系统设置、统计去噪和基于高程的智能分割。

原创 倾斜摄影是选择RGB图像还是多光谱影响进行操作？

RGB图像与多光谱图像的主要区别在于信息获取和应用领域。RGB图像模拟人眼可见光，包含红、绿、蓝三通道，主要用于实景建模、数字城市等需要逼真外观的场景。多光谱图像则捕获多个特定波长（包括不可见光），通过光谱信息在农业、环境监测等领域进行分析，如NDVI植被指数、矿物识别等。RGB图像可通过普通无人机获取，处理流程较标准；多光谱需专用设备，需进行辐射校正等复杂处理。两者分别输出三维模型和多光谱指数图等不同成果。

原创 GEE中上传研究区域范围

该摘要介绍了从阿里云获取地理数据并导入GEE平台的三个步骤：1）从阿里云数据可视化平台下载研究区JSON文件；2）使用mapshaper.org在线工具将JSON转换为SHP格式；3）在Google Earth Engine中上传SHP文件（通过Assets-New Table-Upload路径）。整个过程实现了地理数据从获取、格式转换到平台导入的完整流程，配图展示了各步骤的操作界面。